マキタがAmazon Bedrock + QuickSight Q(Generative BI)で販売データ分析を自然言語で実行できる仕組みを構築した事例です。 AWS公式ブログ(2025-10-16)で公開されています。
「電動工具メーカーの話」と読み飛ばすにはもったいないです。 中堅製造業・流通業で「BIツールはあるが営業現場が使えず、結局データ分析が分析担当1人に集中」で悩んでいる構造そのものだからです。 マキタはこの問題を、「自然言語→SQL→ダッシュボード」を生成AIに任せる構成で解いています。
僕が注目したのは、「現場が日本語で質問するだけでデータ分析できる」踏み込みです。中堅企業の営業・マーケティング現場にそのまま適用できます。
中堅企業のデータ分析課題
社員50〜500名の中堅製造業・流通業にありがちな構造はこうです。
- BIツール(Tableau/PowerBI)は導入済み
- だが営業現場はSQLが書けない
- 「先月のA製品売上を地域別に」と聞かれて分析担当が手作業
- 結果、データ分析が1〜2人に集中して属人化
汎用ChatGPTでは自社の販売データには繋がっていません。「自然言語クエリ → SQL生成 → BI実行」を一気通貫でやれる仕組みが必要、というのがマキタのアーキテクチャから読み取れる発想です。
マキタの取り組み
AWS公式ブログで紹介されている内容は以下です。
- 対象: マキタ販売データ分析業務
- 基盤: Amazon Bedrock(LLM)+QuickSight Q(Generative BI)
- 用途:
- 自然言語クエリ: 「先月のA製品売上を地域別に」→自動SQL生成
- ダッシュボード自動生成: クエリ結果を可視化
- インサイト要約: グラフから示唆をAIが文章化
- 設計思想: 現場が日本語で問い、AIが分析実行
つまり「SQLを書ける人間を不要にして、全社員が分析者になれる構成です。
何が真似できるか
マキタは大手ですが、設計思想だけ抜き取るとこうなります。
- BIツールに自然言語クエリ機能を組み合わせる
- 自社販売データをBedrock等のLLMから参照できるようにする
- 営業現場がSQLを書かずに分析できる環境を作る
- 効果は「分析担当の代行件数×現場のセルフ分析回数」で測る
特に「SQLを書ける人を不要にする」割り切りが秀逸です。中堅企業ほど「分析担当を増やそう」となりがちですが、現場のセルフサービス化の方が継続的に効きます。
中小企業で再現するなら
ここからが本題です。社員50〜500名の中堅製造業・流通業で同じ思想を取り入れるならどう削るか。
構成
| 項目 | マキタ | 中堅企業(社員50〜500名) |
|---|---|---|
| 対象 | 全社販売分析 | 営業・マーケティング部門先行 |
| ツール | Bedrock+QuickSight Q | QuickSight Q / Power BI Copilot / Looker Studio Gemini(月3,000〜10,000円/人〜、2026年5月時点。要最新価格確認) |
| 月額費用 | (規模非公開) | 推定 月10〜100万円(BIライセンス+API従量) |
| 初期費用 | (大規模開発) | 推定 100〜300万円(データ整備+セマンティックモデル構築) |
| 体制 | DX+情シス+営業 | 経営+IT担当+営業リーダー+外部AI支援 |
| 期間 | (記載なし) | 3〜6ヶ月で営業部門運用化 |
評価軸スコア
| 評価軸 | スコア |
|---|---|
| ROI(投資対効果) | ★★★★☆ |
| 再現性(中小企業) | ★★★☆☆ |
| 難易度(低いほど簡単) | ★★☆☆☆ |
(難易度=数字小さいほど簡単)
スコア根拠は以下です。
- ROIは高い。分析担当の代行業務が月数十時間規模で削減できる
- 再現性は中。データ基盤(DWH/データレイク)整備が前提
- 難易度は高め。セマンティックモデル構築に専門知識が必要
前提条件・必要データ
- 販売データがDWH/データレイクに集約されている
- 商品マスタ・地域マスタが標準化されている
- 営業・マーケにデータ活用文化がある(or 育てる気がある)
- AI生成SQLを月次でレビューするデータ担当
失敗条件・適用しないケース
- 販売データがExcel・部門別でバラバラ
- 商品マスタが重複・揺らぎで標準化されていない
- 営業現場が「数字なんて分析担当に任せておけば」の文化
- 効果測定をせず「便利になった気がする」で終わる
「QuickSight Qを契約すれば全社員が分析できる」のではありません。
データ基盤整備→マスタ標準化→Generative BI導入→セマンティックモデル構築→営業現場トレーニング→セルフ分析運用→月次測定、という流れが3〜6ヶ月で回って初めて、マキタが描く「現場セルフ分析」像が中堅企業にも見えてきます。
特に「マスタ標準化」を省くと、AI生成SQLが見当違いの結果を返して現場が信用しなくなります。
出典・参考
市野
愛知県岡崎市でAI活用支援を手がける一人社長。 中小企業の現場でAIを実装してきた経験から、他社事例を「うちで再現するには」の視点で読み解いて発信中。
愛知県岡崎市を拠点に、中小企業向けのAI活用支援を提供。ChatGPT・Claude Code等を活用した業務自動化やSEO・広告運用の内製化を支援。経営者が自らAIを使いこなせる体制づくりをサポートしている。
＞＞詳細なプロフィールはこちら